目录 | 第1-8页 |
摘要 | 第8-9页 |
Abstract | 第9-11页 |
符号说明 | 第11-12页 |
第一章 绪论 | 第12-17页 |
·动态测量数据处理方法的发展 | 第12-13页 |
·自适应因子及有色噪声处理方法的研究现状及问题分析 | 第13-15页 |
·自适应因子问题的研究概况 | 第13-14页 |
·有色噪声处理方法的研究概况 | 第14-15页 |
·本文研究的主要内容 | 第15-17页 |
第二章 几种常用的动态测量数据处理方法研究 | 第17-31页 |
·Wiener滤波 | 第17-19页 |
·Wiener滤波器的构造 | 第17-18页 |
·Wiener滤波器参数的求解 | 第18-19页 |
·Kalman滤波 | 第19-21页 |
·Kalman滤波器和预报器 | 第19-20页 |
·Kalman平滑器 | 第20-21页 |
·现代时间序列分析方法 | 第21-24页 |
·状态空间模型与ARMA模型的转化 | 第21-22页 |
·白噪声估值器 | 第22-23页 |
·基于白噪声估计理论的状态估值器设计 | 第23-24页 |
·三种动态测量数据处理方法之间的关系 | 第24-30页 |
·稳态Kalman滤波与Wiener滤波的关系 | 第24-26页 |
·现代时间序列分析方法与Wiener滤波的关系 | 第26-27页 |
·现代时间序列分析方法与Kalman滤波的关系 | 第27-28页 |
·算例与分析 | 第28-30页 |
·本章小结 | 第30-31页 |
第三章 自适应序贯平差理论 | 第31-45页 |
·含有自适应因子的序贯平差 | 第31-36页 |
·经典序贯平差 | 第31-32页 |
·自适应序贯平差公式推导 | 第32-33页 |
·自适应因子的取值范围 | 第33-34页 |
·算例与分析 | 第34-36页 |
·用谱分解法求解自适应因子 | 第36-44页 |
·常见的自适应因子确定方法 | 第36-38页 |
·不适定方程正则化解的谱分解形式 | 第38-39页 |
·自适应序贯平差正则化解的谱分解形式 | 第39-41页 |
·均方误差的性质及自适应因子的求解 | 第41-42页 |
·算例与分析 | 第42-44页 |
·本章小结 | 第44-45页 |
第四章 有色噪声随机模型的级数表示及其补偿法 | 第45-67页 |
·白噪声和有色噪声基本概念 | 第45-46页 |
·有色噪声对参数估计的影响及模型级数的展开 | 第46-51页 |
·有色噪声对序贯最小二乘参数估值的影响 | 第47-48页 |
·有色噪声对Kalman滤波解的影响 | 第48-50页 |
·有色噪声随机模型的级数表示 | 第50-51页 |
·系统状态噪声为有色噪声的处理方法研究 | 第51-57页 |
·状态向量扩展法 | 第51-52页 |
·基于噪声随机模型级数展开的滤波器设计 | 第52-54页 |
·算例与分析 | 第54-57页 |
·有色噪声条件下粗差的辨识与处理 | 第57-66页 |
·粗差对Kalman滤波解的影响 | 第58-59页 |
·相邻观测值组差法 | 第59-60页 |
·粗差辨识函数的建立及滤波器的设计 | 第60-62页 |
·算例与分析 | 第62-66页 |
·本章小结 | 第66-67页 |
第五章 有色噪声条件下加权观测融合方法研究 | 第67-77页 |
·信息融合技术产生的背景及原理与方法 | 第67-69页 |
·信息融合技术产生的背景及原理介绍 | 第67-68页 |
·信息融合的方法 | 第68-69页 |
·基于有色噪声模型级数展开的加权观测融合方法 | 第69-75页 |
·加权观测融合方法 | 第70-71页 |
·有色噪声模型的级数展开及滤波器的构造 | 第71-72页 |
·算例与分析 | 第72-75页 |
·本章小结 | 第75-77页 |
第六章 有色噪声处理方法在GPS导航中的应用 | 第77-84页 |
·伪距导航解算 | 第77-78页 |
·结合伪距观测量的Kalman滤波模型 | 第78-79页 |
·有色噪声处理方法实测算例 | 第79-83页 |
·有色观测噪声及粗差处理方法研究 | 第79-81页 |
·系统有色状态噪声处理方法研究 | 第81-83页 |
·本章小节 | 第83-84页 |
第七章 总结及下一步研究工作 | 第84-86页 |
·论文总结 | 第84-85页 |
·下一步研究工作 | 第85-86页 |
参考文献 | 第86-92页 |
作者简历 攻读硕士学位期间完成的主要工作 | 第92-94页 |
致谢 | 第94页 |
论文为测绘学院硕士学位论文创新与创优基金资助项目 | 第94页 |